深度學習模型在多源異構大數據特征學習中的應用研究

付丹 潘正軍

摘要：本文論述了在大數據的環境下，深度學習模型和多源異構影像數據融合問題，在數據融合的基本架構基礎上，改進了一種泛化性強得多源異構影像數據融合的深度學習模型，探索將深度學習技術運用到多源異構數據信息提取與挖掘之中。

關鍵詞：深度學習;多源異構;大數據;特征學習

中圖分類號：TP311? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）26-0008-03

開放科學（資源服務）標識碼（OSID）：

在大數據的環境下，隨著信息數據的不斷增加，出現了大量的多源異構數據，如何有效對這些數據進行挖掘、清洗、處理，得到有用的目標信息數據，成為人們關注的重點問題之一，通過深度學習模型在多源異構數據的提取過程中，具有十分重要的作用，它具有語義性好，表征性強的優勢，通過研究深度學習模型在多源異構數據中提取數據的有效性，能夠精準地識別目標數據，挖掘目標數據的內在規律，達到對目標數據的規律進行預測，能夠有效提高數據的有用性。

1 基于深度學習的多源異構大數據提取思路

為利用模型各層學習得到的特征，對多源異構大數據的特征信息進行提取，需要對不同特征層中包含的互補信息進行獲取，這樣使得深度學習模型具有更大的可擴展性能，將深度學習神經網絡模型與信息融合模型結合在一起，對獲取的數據進行推理，達到獲取目標數據的目的，得出基于深度學習的多源異構數據獲取的模型，達到提取融合多源共享特征數據的目標層數據特征要求，具體數據提取思路如圖1所示。

首先，如果需要從一種數據源中提取目標多層特征，采用構可泛化的深度學習框架，逐級獲取目標數據，通過對數據的特征變換、選擇與分類，構建深度學習特征模型，對具有同類特征數據的信息進行挖掘、清洗，并將各層數據同類特征組合起來，并采用特征選擇算法對數據進行處理，形成一種達到目標高層特征的深度學習模型，達到對異構數據進行處理的目標。其次，將深度特征學習模型和多源異構數據進行深度融合，就構成了一種面向多源異構數據與普通向量相互結合的深層次學習模型，采用這種通用深度特征學習模型可以對各個單一數據源的基礎部件模型進行構建，這樣就能夠將多源異構模型的數據融合在一起，形成了多源融合的深層次數據模型特征。最后，在形成的多層融合深層次數據模型的基礎上，通過對數據源中的數據進行提取與組合，形成一個具體的深度學習模型，該模型主要包括多層的特征學習部分和最后的分類部分兩種結合，采用該種數據提取的方法是可泛化的、簡單的深度學習，在深度學習的數據處理過程中，也具有較好的通用泛化的能力。

2 深度學習模型

2.1 深度學習的特征

典型的深度學習模型對于數據的處理一般都是采用多層迭代數據模型，是一種基于“特征變換——非線性操作——特征選擇（約簡）”數據處理模型，數據的特征變換采用濾波器的方式進行處理，對于非線性操作模擬數據具有人類神經元的激活與抑制的功能，在數據變換之后，通過特征二值化或使用邏輯回歸函數處理，從而能夠有效地將各種數據有機地結合在一起。深度學習的概念來源于人工神經網絡技術，它具有如下的特征：

1）強調了深度學習模型結構的深度，一邊情況下數據層次達到了五六層，有的時候可以達到十多層隱性的層級節點。

2）數據通過逐層特征變換，可以將數據的原有空間轉換為一個新的特征學習空間，使得數據的分析與預測變得比較簡單，將大數據的特征結合在一起，能夠更容易實現內在數據的挖掘。

2.2 模型構建

在建構深度學習模型時，需要構建神經網絡模型，才能有效地對數據進行處理，一個神經網絡有多個簡單神經元鉸鏈在一起構成，在不同的神經元中還需要有另外一個相同的神經元輸入數據，一個簡單的深度神經網絡學習模型如圖2所示，采用圓圈表示數據網絡的輸入，“+1”的圓圈表示偏置單元，能夠快速地獲取數據的加載項。在神經模型中，包括網絡數據的輸入層、輸出層與隱含層，可以說在圖2的神經網絡中，主要包括上述的3個輸入神經單元，有的單元有兩個隱含層，在其下層又含有相應的隱含單元與輸出單元。

2.3 模型參數優化

在設計好神經網絡學習模型后，需要對模型網絡中的各個節點進行優化，使其達到最優化的狀態，通過將樣本進行大量的迭代，使得建構的學習網絡能夠對異構源數據進行再一次的認識學習，在多次迭代糾偏之后，就形成了對所關注各種數據源目標的表針性描述，如果構建的網絡模型優化越好，就會對數據源目標的學習越深度，就能夠深刻地對數據進行描述，學習模型的參數優化在顯得十分重要。

其中，J代表代價函數，W、b為神經網絡擬定學習目標，在代價函數經過W與b的轉換之后與y的平方差的一半。

3 多源異構數據融合模型結構

如果對一種數據源目標數據選擇與提取比較簡單，方法也較多，但是如果對于多種數據源在統一架構下提取的就會存在一定的困難，需要采用信息融合的原理，對輸入信息進行抽象處理，并相互融合，在融合的過程中必須按照抽象的層次，將數據的數據層、特征層、決策層以及融合輸出結果的不同，數據融合模型按照數據抽象的層次，一般將信息融合分、混合層等進行隨機融合，并結合深度學習的模型對數據進行抽取。為了便于分析，我們采用光學、SAR、紅外等三種影像數據進行信息融合，由于影像數據在融合的過程中，可以提取相似的數據，也存在造成數據之間存在不同機理使得數據存在不可比性，這就需要從特征融合、決策融合與混合融合三種異構數據的處理方式，處理過程如圖3所示。

數據的特征融合主要包括目標狀態數據融合與目標數據特征融合，目標狀態數據融合主要是對數據源的數據狀態進行跟蹤，利用模式識別技術對多種異構的數據源信息進行處理，獲取數據的相似數據，而融合處理的功能是對數據參數與狀態矢量進行估算，例如各種情報雷達、跟蹤紅外等一些非成像的影像數據，進而抽取數據的相同特征，并采用深度學習的方式對數據相似特征進行獲取，形成一個統一的數據目標層次。

4 基于深度學習模型的多源異構數據融合研究

4.1 基于深度學習數據級融合

在光學、SAR、紅外等三種影像數據融合的過程中，也可以將影像數據級融合稱為像素融合，它是在多種傳感器下異質影像數據在同一目標與時空的背景下的異構數據源的數據抽取，在獲取大量的異構數據后，通過神經網絡深度學對這些異構影像融合數據進行抽取、清洗，以獲取數據的相關性，在通過深度神經網絡模型抽取之后，就能夠識別出異質融合影像中的目標的神經網絡模型，然后經過數據挖掘處理，最終能夠獲得目標最終的分類識別結果。采用像素融合的數據識別方法，在數據處理的過程中，數據信息丟失比較少，而操作比較簡單，這種神經網絡能夠對異質融合影像進行深度學習，在獲取數據的模型之后，能夠對數據模型進行檢測，以獲得目標數據。但是，在多源異構的數據中，往往存在一些不可比性的數據，在對像素數據進行融合的過程中，還需比較精確的算法，才能滿足具體的要求。

4.2 基于深度學習的數據特征融合

對神經網絡的深度學習數據融合主要對數據混合層的特征映射數據進行融合，以便于在后期對目標數據進行分類識別處理。例如，以深度卷積神經網絡的數據分析為例，在獲取每次的卷積層數據之后都能夠形成一層的數據特征映射圖，在經過對原始數據圖像的直接深度學習的前饋、后向數據迭代之后，就會形成限定的神經網絡數據學習模型，在隨后的數據測試中，通過對神經網絡中的不同異質數據圖像進行最后一層的數據融合，獲得融合后的數據特征融合映射圖，然后進行數據全層連接處理，從而能夠有效地達到目標數據的自動分類處理的效果，這種深度學習的異構數據源的特征融合結構如圖4所示。

基于深度學習的異質影像特征融合主要采用神經網絡技術多系統傳感器中捕獲的原始異質數據進行抽取、清洗，使得經過深度學習的目標數據特征變得更加豐富，同時采用這種深度學習，使得該網絡的數據可拓展性與泛化更為簡單，使得目標數據具有更為豐富的特征。它具有維數多、尺度小的特點，能夠精細地對目標數據進行抽取與計算，保證了在對目標數據進行處理的過程中，不會遺漏掉任何數據，同時也能保留目標數據層的所有特征。

4.3 基于深度學習決策級融合

在深度學習模型中，對決策級數據的融合需要對每一種異構的數據源進行分析，利用每一個神經網絡對多類數據目標進行分類別的進行識別、決策，然后再對這些決策數據進行融合，最終達到目標數據分類識別的結果。在影像數據處理的過程中，各種傳感器獲取的數據在指定的深度學習網絡進行抽取、訓練，在網絡層數、神經元的操作中，可以以連接的方式與數據訓練的最后表征特征特定向量維數來表示數據，數據的各種結構方式可以不同，但在最后決策的表征的過程應該形成統一，以便于系統設計的深層次融合。決策層數據融合的算法中常采用方法包括貝葉斯推理、證據推理、不確定推理等方法。

數據的決策級融不僅僅是對數據的決策進行融合，而是通過融合之后，對決策進行優化，以尋找出最優化的數據決策，在深度學習模型中，每一個神經網絡對一種信息源數據進行融合，而實際上，影像的多個傳感器信息是相互獨立的，這就要求決策級的融合分類不能低于數據融合的級別數，需要神經模型能夠對目標層數據的特征進行刻畫與具體的表征，否則在數據處理的過程中，就會出現誤差，不能有效地對目標層數據的特征進行提取。

4.4 基于深度學習混合融合

在基于神經網絡深度學習模型中，混合層數據融合是在以上幾種數據進行融合之后的深度融合，以達到對大數據異構信息源的數據目標進行分類識別。一般情況下，深度學習的數據混合融合采用兩個深度神經網絡進行處理，第一個神經網絡將多種信源的圖像進行轉換，形成數據源的數據特征映射圖，主要作用是提取數據的特征網絡，而另外一個神經網絡主要功能是對異構信息源的數據進行多目標分類，將每一個特征映射圖分成多維、小尺度的序列特征數據映射子圖，然后將分類的多種信息源特征融合在一起，這樣就可以將所有的像素特征數據進行融合統一處理。經過特征融合數據特征模型，每一個目標特征數據可以采用多維、小尺度的特征映射子圖序列進行數據表征，在經過第二次神經網絡進行融合訓練之后，就能夠一個統一的數據關系圖，獲取異構數據源的目標特征信息。兩個深度學習的神經網絡所起作用不同，實現的數據處理結果也不一樣，但是，它能夠在統一的整體里實現端到端的學習，這樣就能夠形成一個最終的目標分類識別結果，實現數據的多維融合。

5 結束語

基于深度學習模型在多源異構大數據中已經得到了廣泛的應用，并取得了顯著的成果，在未來的數據處理中，將會得到更為廣泛的應用。但是，多數深度學習模型往往只是針對一個具有二維語義網絡的信息學習，對于那些特征向量比較弱的數據，還需要進行更深一步的研究，而且在基于深度多源異構數據的融合模型的研究還需要進一步的研究，本文通過對影像數據進行分析，提出了一種面向多源異構的影像數據通用深度學習模型，并實現了對多層目標數據進行處理，為有效的解決多源異構大數據的融合、目標數據的提取提供了新的研究思路。

參考文獻：

[1] 李貴兵，羅洪.大數據下的智能數據分析技術研究[J].信息技術，2017（3）.

[2] 田瑞娟，楊帆.基于空中目標識別的特征提取與選擇[J].兵工自動化，2018（3）.

[3] 唐杰，陳文光.而向大社交數據的深度分析與挖掘[J].科學通報，2015（12）.

[4] 姜建華，洪年松.一種多源異構數據融合方法及其應用研究[J].電子設計工程，2018（12）.

【通聯編輯：唐一東】